[发明专利]基于生成式对抗网络的单幅低光图像增强方法

说明书

本发明提供了一种基于生成式对抗网络的单幅低光图像增强方法，其包括如下步骤：收集训练数据集：通过改变相机的曝光时间和感光度从同一场景获取低光图像和正常光图像，同一场景的低光图像和正常光图像构成一个图像组；数据集的处理：去除因相机抖动、物体移动等不可控因素导致的不对齐的图像对；基于生成式对抗网络构建低光图像增强模型及损失函数；训练低光图像增强模型；将待增强的低光图像输入到训练好的所述低光图像增强模型，获得增强后的正常光图像。与相关技术相比，采用本发明的基于生成式对抗网络的单幅低光图像增强方法能够获得逼真的、清晰的高质量图像，且图像生成速度快。

技术领域

本发明涉及图像增强领域，更具体地，涉及一种基于生成式对抗网络的单幅低光图像增强方法。

背景技术

毫无疑问，高质量的图像在目标检测和场景理解等计算机视觉任务中起着至关重要的作用。然而，在现实中获得的图像在某些情况下往往是退化的，例如，在弱光条件下拍摄的图像，总是使用非常低的对比度和亮度，这增加了后续高级任务的难度。在图像捕捉中，光照不足会显著降低图像的可见性，丢失的细节和低对比度不仅会引起不愉快的主观感受，而且会损害许多为正常光线即时通讯设计的计算机视觉系统的性能。

在图像采集过程中，由于扫描系统、光电转换系统或现场环境等多方面原因，长存在照明不足、光环境过低、摄影设备性能有限、设备配置不当等问题。在过去的几十年里，许多研究者致力于解决微光图像增强的问题，为了提高微光图像的主观和客观质量，人们开发了许多技术，例如直方图均衡化，基于视网膜理论的方法。近年来，随着深度神经网络的发展，越来越多的基于深度神经网络的图像增强技术被提出，生成对抗网络也是近年来提出的非常适合解决图像转换、风格迁移、图像生成的网络模型，至今已经有许多非常出色的经典生成对抗网络被提出，使用生成对抗网络来解决低光图像增强的问题是非常适宜的。

但是，现有的生成对抗网络在解决低光图像增强方面仍然存在一些不可忽略的缺陷：第一，过度依赖领域知识，模型复杂度较高；第二，增强后的图像质量不高、细节纹理不够清晰、颜色不够逼真等。

因此，有必要提供一种新的基于生成式对抗网络的单幅低光图像增强方法来解决上述问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了基于生成式对抗网络的单幅低光图像增强方法。

一种基于生成式对抗网络的单幅低光图像增强方法，其包括如下步骤：

步骤S1，收集训练数据集：通过改变相机的曝光时间和感光度从同一场景获取低光图像和正常光图像，同一场景的低光图像和正常光图像构成一个图像组；

步骤S2，数据集的处理：去除因相机抖动、物体移动等不可控因素导致的不对齐的图像组；

步骤S3，基于生成式对抗网络构建低光图像增强模型及损失函数，所述低光图像增强模型包括生成器网络G、局部判别器网络D_local和全局判别器网络D_global；

步骤S4，训练低光图像增强模型：随机将处理后的数据集中的图像对输入到所述低光图像增强模型中进行训练，反复迭代通过最小化生成器网络G或判别器网络D_local和D_global的损失函数值来训练所述低光图像增强模型，直至所述低光图像增强模型达到纳什均衡状态，则训练完成；

步骤S5，将待增强的低光图像输入到训练好的所述低光图像增强模型，获得增强后的正常光图像。

优选的，所述步骤S1具体为：在同一场景中，首先拍摄两张正常光图像，记为N1和N2，然后降低相机的曝光时间和感光度拍摄若干张低光图像，再重置相机的曝光时间和感光度拍摄两张正常光图像，记为N3和N4，同一场景的N1、N2、N3、N4和若干张低光图像构成一个图像组。

优选的，所述步骤S2包括如下步骤：